Quando a IA traz esperança: O que uma história de cancro mostra sobre o futuro da medicina

Quem acompanha as notícias sobre IA vê, neste momento, sobretudo dois tipos de manchetes: medo de perda de emprego e medo de abuso. Deepfakes, falhas de segurança, despedimentos em massa, vigilância, manipulação. Muito disto é real e merece atenção. Mas, por causa disso, outra coisa quase desaparece: a mesma tecnologia também pode condensar conhecimento, reduzir fricção e, em alguns casos, devolver tempo às pessoas quando elas mais precisam.

Já escrevi aqui no blog, em outro artigo , sobre a rapidez com que tudo se está a mover. Este texto é, de certa forma, o contraponto médico dessa ideia: menos mercado, menos hype, mais humano.

Uma história do OpenAI Forum encaixa exatamente nisso. Não é lamechas, não é confortável e certamente não promete milagres. Mas mostra algo de que provavelmente ouviremos falar muito mais no futuro, inclusive vindo de pessoas que não são milionárias.

Em resumo:

• Neste caso, a IA não substituiu um médico. Acelerou de forma massiva a análise, a investigação e a coordenação.
• Hoje, um caminho destes continua muito mal distribuído, porque exige dinheiro, tempo, acesso e vontade para enfrentar uma grande complexidade médica.
• É também assim que muitas grandes tecnologias começam antes de se tornarem normais para muito mais gente.

Se quiseres ver a apresentação original, ela está incorporada aqui:

Uma História Que É Fácil Ignorar

No centro está Sid Sijbrandij, cofundador da GitLab. Foi-lhe diagnosticado um osteossarcoma, um cancro ósseo raro e agressivo. No fórum, ele descreve com grande abertura o quão brutal foi o tratamento padrão: cirurgia, fusão da coluna, radioterapia, quimioterapia, transfusões de sangue e colapso físico completo. Para muitas pessoas, só isso já seria mais do que suficiente.

Um primeiro ponto de viragem importante para ele foi a chamada click chemistry, um método premiado com o Nobel que permite ligar certos compostos de forma muito direcionada. Para Sid, isto não foi apenas cientificamente fascinante, mas também decisivo a nível mental, porque lhe mostrou que a medicina nem sempre tem de avançar apenas através de grandes ensaios padrão. Por vias como um single-patient IND, também podem existir caminhos legais e oficiais para tratamentos altamente individualizados em situações extremas.

Depois veio a parte ainda mais dura: o cancro voltou. Quase não restavam opções padrão estabelecidas. Nenhum pipeline limpo. Nenhum passo seguinte óbvio. Nenhum simples “agora fazemos o tratamento B”. E foi exatamente aí que aconteceu algo que me parece muito característico deste momento histórico: ele deixou o seu emprego e entrou em founder mode, não por uma startup, mas pela sua própria sobrevivência.

À primeira vista, isto soa absurdo. Um fundador de tecnologia a tratar o cancro como se fosse um problema de engenharia. E, honestamente, a minha primeira reação também seria de ceticismo. A medicina não é um produto SaaS. Um chatbot não é um oncologista. Uma chamada de API não é uma terapia.

Mesmo assim, seria demasiado fácil descartar esta história como um caso especial de Silicon Valley. O que aqui se vê não é uma “cura milagrosa com ChatGPT”, mas uma nova forma de trabalhar na medicina: mais dados, mais reconhecimento de padrões, mais paralelização, hipóteses mais rápidas, melhores perguntas e ciclos mais curtos entre descoberta e decisão.

O Que a IA Fez Realmente Neste Caso

O ponto mais importante primeiro: a IA não curou o cancro. Isso seria uma simplificação falsa e perigosa. O que ajudou aqui foi uma combinação de diagnóstico, especialistas, abordagens experimentais, experiência clínica, persistência pessoal e IA como acelerador.

Na apresentação, Sid Sijbrandij e Jacob Stern descrevem vários exemplos concretos.

Reuniram quantidades enormes de dados, incluindo, segundo as suas próprias palavras, cerca de 25 terabytes de material. Isso incluía bulk RNA sequencing, análise de célula única, patologia, exames, dados de sangue, modelos organoides e vários métodos de diagnóstico experimental. Essa profundidade de dados está hoje muito longe do alcance da maioria dos doentes. Mas a parte interessante é o que se faz com esses dados depois de os ter.

Jacob Stern, geneticista, diz explicitamente no fórum que não é médico. O que a IA lhe deu, segundo ele, não foi conhecimento mágico, mas algo como uma armadura Iron Man para domínios altamente especializados. Ou seja, a capacidade de se atualizar rapidamente, falar com especialistas de forma competente, fazer melhores perguntas e preparar os próximos passos certos.

Um exemplo inicial: deram ao ChatGPT um ficheiro CSV vindo do bulk RNA sequencing e pediram uma primeira leitura. Só isso já bastou para tornar certos marcadores e certas dinâmicas do ambiente tumoral mais visíveis mais rapidamente. Mais tarde foram muito mais longe: linguagem natural como entrada, revisão bibliográfica agentic, formulação de hipóteses, passos bioinformáticos, código, gráficos e um relatório sintético como saída.

Num dos exemplos citados na apresentação, uma análise deste tipo demorou cerca de 30 minutos e custou aproximadamente 20 dólares em API. Nos bastidores, estava ligada a cerca de 600.000 células individuais de diferentes momentos de colheita de sangue. Só este contraste já é notável: uma enorme complexidade biológica de um lado e uma ajuda analítica relativamente barata do outro.

As coisas tornam-se ainda mais interessantes quando falam do desenvolvimento terapêutico. Eles mencionam:

• uma vacina personalizada de mRNA contra o cancro construída a partir de mutações específicas do tumor
• terapias TCR-T desenhadas para atingir o tumor de forma mais precisa
• abordagens CAR-T com lógica de segurança adicional para reduzir efeitos perigosos em tecido saudável
• a procura de alvos pouco estudados, ou seja, proteínas ou estruturas que podem ser altamente relevantes num caso individual, mas quase ignoradas na investigação dominante

Sid diz a certa altura que a sua escada terapêutica passou de zero para mais de 30 opções. Não porque tenha aparecido de repente um medicamento milagroso, mas porque dados, diagnóstico, conhecimento especializado e IA abriram em conjunto uma superfície de procura muito maior.

O melhor exemplo deste efeito “agulha no palheiro” é, para mim, Penexin 3. Segundo a apresentação, esta proteína estava presente no seu cancro cerca de 10.000 vezes mais do que no tecido saudável. E, mesmo assim, quase não havia nada na literatura. A suspeita da equipa era que, sendo um alvo hidrofóbico, ele simplesmente escapa em muitos testes padrão. É precisamente aqui que a IA mostra o que pode acrescentar nestes casos. Não porque seja “mais inteligente do que todos os investigadores”, mas porque tem a paciência de percorrer enormes espaços de dados vezes sem conta até que sinais invulgares como este se tornem visíveis.

É aí que aparece a sua verdadeira força. Não como oráculo, mas como uma ferramenta capaz de transformar muito mais depressa milhares de papers, pontos de dados, marcadores, perfis de efeitos secundários e ligações biológicas em algo operacional.

Para mim, esse é o núcleo da história: a IA comprime conhecimento especializado. Não transforma um leigo num médico. Mas pode aproximar muito doentes empenhados, famílias e equipas interdisciplinares da literatura atual e de um espaço real de decisão.

Este Futuro Continua Mal Distribuído

Não convém romantizar isto. Neste momento, esta história continua a ser fortemente elitista.

Para avançar desta forma, é preciso:

• dinheiro
• tempo
• especialistas muito fortes
• acesso a métodos de diagnóstico raros
• uma enorme energia mental
• capacidade para suportar a complexidade médica

Eles próprios o dizem com bastante clareza na apresentação. Algumas coisas são extremamente caras. Outras tornaram-se surpreendentemente baratas. E é precisamente esta mistura que torna este momento tão interessante. Estamos a assistir a uma transição: o desenvolvimento terapêutico em si continua muitas vezes caro, lento e burocrático. Mas várias camadas por baixo já estão a ficar mais baratas.

No fórum, citam valores aproximados como cerca de 50 dólares para bulk RNA sequencing, cerca de 500 dólares para sequenciação completa do genoma e cerca de 20 dólares para uma análise mais avançada assistida por IA. Não são os custos completos da medicina oncológica, mas são sinais. A camada do conhecimento está a começar a tornar-se deflacionária.

E isso importa imenso, porque hoje a medicina muitas vezes não falha primeiro por falta de boa vontade, mas por fricção: os dados estão dispersos, o conhecimento especializado vive em silos, os estudos demoram demasiado, os casos raros ficam fora dos percursos padrão e passa tempo a mais entre descoberta e decisão.

O que também considero muito forte nesta história é que ela explicitamente não quer ficar apenas como um playbook de elite para um único caso. Na apresentação e no site associado ao projeto, fica claro que dados, aprendizagens e processos estão a ser preparados deliberadamente para que outros doentes e outras equipas possam construir sobre isso mais depressa no futuro.

Assim Começam Muitas Grandes Tecnologias

Foi exatamente por isso que esta história me fez pensar num padrão antigo. No início, uma nova tecnologia fica quase sempre reservada a quem tem mais dinheiro, mais acesso e mais margem para experimentar do que os outros.

Durante muitos períodos da história, as banheiras eram sobretudo para reis, nobreza ou famílias muito ricas. Hoje, a água quente faz simplesmente parte da vida quotidiana de milhões de pessoas.

E isto não é exceção. Há mais três exemplos que mostram o mesmo padrão:

• A luz elétrica em casa foi durante muito tempo um luxo para edifícios ricos, hotéis e indústria. Hoje só reparamos o quão normal é quando ela falha.
• Viajar de avião foi durante muito tempo um símbolo de riqueza, estatuto e exceção. Hoje, mesmo não sendo igualmente acessível a todos, é claramente mobilidade de massas e não um privilégio aristocrático.
• A sequenciação do genoma foi, em tempos, um projeto de milhares de milhões e de muitos anos. Hoje, em alguns casos, falamos de centenas de dólares e de dias em vez de décadas.

É exatamente assim, na minha opinião, que devemos olhar para esta nova forma de medicina personalizada. O que hoje parece medicina concierge para fundadores muito bem ligados pode tornar-se mais tarde mais amplamente disponível numa forma simplificada, padronizada e automatizada.

A tecnologia escala. Primeiro devagar, depois de repente.

Não automaticamente. Não sozinha. Não de forma justa da noite para o dia. Mas, historicamente, o padrão é claro: primeiro luxo, depois ferramenta, depois infraestrutura.

Porque Esta História Ainda Me Dá Esperança

O que mais me impressiona nesta história é que ela não assenta num milagre. Assenta em compressão.

A IA comprime aqui:

• literatura
• diagnóstico
• reconhecimento de padrões
• comunicação entre disciplinas
• a capacidade de não desistir demasiado cedo dos casos raros

E isso tem um valor enorme na medicina. Porque doenças raras e evoluções invulgares muitas vezes não falham porque não exista informação, mas porque ninguém tem tempo para a reunir de forma útil.

Se milhares de páginas de historial clínico, valores laboratoriais, exames, dados de RNA e estudos puderem ser transformadas num modelo utilizável, isso não é relevante apenas para poucos casos ricos e atípicos. É uma prévia de uma medicina que poderá tornar-se mais precisa, mais pessoal e, esperamos, mais justa.

O que hoje ainda parece tratamento de exceção pode amanhã tornar-se padrão numa forma mais reduzida e prática:

• um sistema que destaca automaticamente marcadores raros
• um assistente que pré-seleciona estudos relevantes para médicos e doentes
• uma ferramenta que torna mais transparentes os percursos terapêuticos possíveis e os perfis de efeitos secundários
• diagnósticos que levam mais a sério a biologia individual em vez de seguirem apenas percursos padrão

E sim, muito provavelmente ouviremos falar muito mais disto, e não apenas em histórias de fundadores com recursos. As ferramentas vão melhorar. Os custos vão descer. As interfaces vão tornar-se mais simples. É aí que começa a escalabilidade.

A Minha Conclusão

É por isso que acho que esta história importa. Ajuda a endireitar um pouco o olhar. A IA não é só risco. Não é só despedimentos. Não é só hype. Não é só um problema de segurança. Também pode tornar-se uma ferramenta que ajuda as pessoas a orientarem-se melhor dentro de um sistema doente, lento e muitas vezes sobrecarregado.

Claro que não devemos cair num romantismo tecnológico. A base mais importante da nossa saúde continua a ser surpreendentemente pouco glamorosa e muito humana:

• sono suficiente
• movimento
• alimentação
• disciplina no dia a dia

Essa parte continua em grande medida nas nossas mãos. Continua a ser a base.

Se tens interesse precisamente nesses temas, já existem no blog textos práticos e pessoais sobre health tracking e dados de saúde e também sobre Whoop, recuperação, sono e carga .

Mas logo a seguir, disso estou convencido, vamos precisar de IA. Não como substituto dos médicos, nem como botão milagroso, mas como uma segunda camada de inteligência por cima dos dados, da investigação e da complexidade.

E é também aí que o Google me parece relevante. Com AlphaFold, a Google DeepMind disponibilizou publicamente estruturas previstas de mais de 200 milhões de proteínas e, com AlphaFold 3, preparou o passo seguinte, em que se podem modelar melhor não só proteínas, mas também as suas interações com outras moléculas. Isto não é “a cura para todas as doenças”. Mas é uma enorme alavanca de base, porque torna a biologia muito mais legível para os investigadores.

Por isso continuo esperançoso. Não ingénuo. Não cego. Mas esperançoso. Se conseguirmos pensar juntos estilo de vida, prevenção, boa medicina e IA, o futuro pode realmente trazer mais saúde a muito mais pessoas.

Até à próxima,
Joe